Peacock MCP Server

Was macht der “Peacock” MCP Server?

Der Peacock MCP Server wurde entwickelt, um als Model Context Protocol (MCP) Server für die Peacock-Erweiterung in Visual Studio Code zu dienen. Sein Hauptzweck ist es zu zeigen, wie ein MCP-Server Verbindungen zwischen KI-Assistenten und externen APIs herstellen kann, um Entwicklungs-Workflows zu verbessern. Als Brücke ermöglicht der Peacock MCP Server KI-gestützten Assistenten, programmatisch mit der VS Code-Umgebung zu interagieren, z. B. das Editor-Erscheinungsbild anzupassen oder projektspezifische Einstellungen zu verwalten. Dadurch können Entwickler Aufgaben wie Theming, Workspace-Erkennung oder andere API-gesteuerte Interaktionen automatisieren und so das Coderlebnis optimieren und vereinfachen.

Liste der Prompts

In der verfügbaren Dokumentation oder den Repository-Dateien sind keine Prompt-Vorlagen explizit erwähnt.

Liste der Ressourcen

In der verfügbaren Dokumentation oder den Repository-Dateien werden keine expliziten Ressourcen beschrieben.

Liste der Tools

In der verfügbaren Dokumentation oder den Repository-Dateien werden keine expliziten Tools genannt und server.py ist in diesem Repository nicht vorhanden.

Anwendungsfälle dieses MCP Servers

• API-Interaktions-Demonstration: Der Peacock MCP Server dient in erster Linie dazu, zu zeigen, wie MCP-Server zur Interaktion mit APIs verwendet werden können. Das hilft Entwicklern, Best Practices für die Integration von KI-Assistenten mit verschiedenen Diensten zu verstehen.
• Erweiterung von VS Code Extensions: Durch die Verbindung zu Peacock via MCP können Entwickler Theme- und Erscheinungsanpassungen über verschiedene VS Code Workspaces automatisieren, was Team-Workflows und Workspace-Erkennung verbessert.
• Automatisierung von Entwickler-Workflows: Der Server kann als Grundlage zur Automatisierung wiederkehrender Aufgaben dienen, wie z. B. das Umschalten von Editor-Farben je nach Projektkontext oder CI/CD-Status, wodurch manuelle Konfiguration reduziert wird.
• Zu Lernzwecken: Das Repository ist eine wertvolle Ressource für alle, die lernen möchten, wie MCP-Server implementiert werden, um KI-Tools mit externen APIs oder Systemen zu verbinden.
• Vorlage für eigene MCP-Server: Entwickler können dieses Projekt als Vorlage nutzen, um eigene MCP-Server für andere Erweiterungen oder Anwendungen zu erstellen, bei denen eine Interaktion zwischen KI und APIs erforderlich ist.

Einrichtung

Windsurf

1. Stellen Sie sicher, dass Node.js auf Ihrem System installiert ist.
2. Suchen Sie die Windsurf-Konfigurationsdatei (in der Regel wind.config.json).
3. Fügen Sie den Peacock MCP Server-Eintrag mit folgendem JSON-Snippet hinzu:

   {
     "mcpServers": {
       "peacock-mcp": {
         "command": "npx",
         "args": ["@johnpapa/peacock-mcp@latest"]
       }
     }
   }
   

4. Speichern Sie die Konfigurationsdatei und starten Sie Windsurf neu.
5. Überprüfen Sie die Einrichtung, indem Sie prüfen, ob Windsurf den Peacock MCP Server erkennt.

Claude

1. Stellen Sie sicher, dass Node.js verfügbar ist.
2. Öffnen Sie die MCP-Server-Konfiguration von Claude (z. B. claude.json).
3. Fügen Sie hinzu:

   {
     "mcpServers": {
       "peacock-mcp": {
         "command": "npx",
         "args": ["@johnpapa/peacock-mcp@latest"]
       }
     }
   }
   

4. Speichern und Claude neu starten.
5. Bestätigen Sie, dass der Peacock MCP Server in der Claude-Oberfläche gelistet ist.

Cursor

1. Installieren Sie Node.js.
2. Öffnen Sie Cursor’s cursor.config.json.
3. Fügen Sie ein:

   {
     "mcpServers": {
       "peacock-mcp": {
         "command": "npx",
         "args": ["@johnpapa/peacock-mcp@latest"]
       }
     }
   }
   

4. Datei speichern und Cursor neu starten.
5. Testen Sie, indem Sie einen Befehl ausführen, der den MCP Server nutzt.

Cline

1. Stellen Sie sicher, dass Node.js installiert ist.
2. Bearbeiten oder erstellen Sie die Konfigurationsdatei von Cline (z. B. cline.config.json).
3. Fügen Sie den MCP Server hinzu:

   {
     "mcpServers": {
       "peacock-mcp": {
         "command": "npx",
         "args": ["@johnpapa/peacock-mcp@latest"]
       }
     }
   }
   

4. Speichern und Cline neu starten.
5. Überprüfen Sie die erfolgreiche Registrierung des MCP Servers.

API-Schlüssel absichern

Speichern Sie API-Schlüssel als Umgebungsvariablen und referenzieren Sie diese in Ihrer Konfiguration. Beispiel:

{
  "mcpServers": {
    "peacock-mcp": {
      "command": "npx",
      "args": ["@johnpapa/peacock-mcp@latest"],
      "env": {
        "API_KEY": "${PEACOCK_API_KEY}"
      },
      "inputs": {
        "apiKey": "${PEACOCK_API_KEY}"
      }
    }
  }
}

Verwendung dieses MCP in Flows

MCP in FlowHunt einsetzen

Um MCP-Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie zunächst die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie sie mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationsfeld zu öffnen. Im Bereich System-MCP-Konfiguration tragen Sie die Daten Ihres MCP-Servers im folgenden JSON-Format ein:

{
  "peacock-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Sobald die Konfiguration abgeschlossen ist, kann der KI-Agent diesen MCP als Tool verwenden und auf alle seine Funktionen und Features zugreifen. Vergessen Sie nicht, “peacock-mcp” durch den tatsächlichen Namen Ihres MCP-Servers zu ersetzen und die URL entsprechend anzupassen.

Übersicht

Die Tabellen zeigen: Der Peacock MCP Server ist ein hilfreiches Demonstrationsprojekt, aber es fehlen detaillierte Dokumentation, Prompt-Vorlagen, Ressourcen und Tool-Definitionen, was seinen praktischen Nutzen für fortgeschrittene MCP-Integrationen begrenzt. Sein Hauptwert liegt als Lern- oder Ausgangspunkt für die MCP-Server-Entwicklung.

MCP Score

Gesamtbewertung: 3/10 – Dieser MCP-Server ist ein nützliches Referenzprojekt für den Einstieg, ist aber hinsichtlich Umfang und Dokumentation für den produktiven Einsatz stark eingeschränkt.